《表2 车辆检测及定位的平均精度对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的道路障碍物检测方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

单位：%

在同样的运行环境条件下，将同样处理好的点云数据投入VoxelNet进行训练，与本文设计的深度神经网络架构结果对比如表2和表3所示，采用KITTI数据集评价体系，对车辆检测不同算法所得到平均精度进行比较。表2和表3中的算法VeloFCN、Complex-YOLO和VoxelNet分别指文献[26]、[17]和[6]的实验检测结果，训练采用的数据均为原始点云数据。VoxelNet(filtered）指的是VoxelNet模型训练并使用滤波处理后的数据；VNMax指的是本文沿用VoxelNet的体素编码网络并嵌入最大池化层的新深度神经网络模型，并且对原始点云数据作滤波处理。表中简单、中等和困难分别表示KITTI数据检测任务的难易程度，即点云数据的稀疏程度。困难程度的点云数据最稀疏，训练学习难度最大。